第二名方案 - YOLOv5

感谢 Kaggle 主办这场有趣的比赛，也感谢我的队友们的所有努力。这也是我第一次参加检测比赛，感谢社区分享的所有知识。

就像方案的标题一样，我们的解决方案中没有什么花哨的东西 : )

总结

我们的方案完全基于 YOLOv5，我认为这次比赛有三个关键点：训练/验证集划分、分辨率 和 运气。

划分 - 按 video_id

在比赛初期，我们看到有一种非常可靠的划分数据集的方法叫“子序列”。在几次提交后，LB（排行榜）不够稳定，所以最后我们使用了 video_id 3折划分，因为那个时候我们猜测 LB 和 Private（私有榜单）数据可能是完全不同的视频序列，此外，CV（交叉验证）分数现在几乎与 LB 呈正相关。

预处理 - 旋转是关键

有效的增强方法，继承了 YOLOv5 的默认增强，我们增加了：

• mosaic 概率 @0.25
• mixup 概率 @0.25
• 随机旋转90度 (random rotate90)

随机旋转90度会在 CV 和 LB 上提升约 0.02，并且它也有利于不同旋转角度的模型集成。

训练

• 更大的模型效果更好

YOLOv5 s/m/l/x 的多样性并不是很大，所以为了速度和性能的平衡，我们只使用了 YOLOv5l6 模型。

• 仅训练有真实标签的图像

根据 YOLOv5 文档，训练时加入 10% 的背景会产生最好的结果，但根据我们的实验，0% 的背景产生了最好的结果。

• 多尺度 +/- 50%

YOLOv5 内置了多尺度开关，据我所知，缩放在检测中非常重要，特别是对于基于锚框的检测方法，所以我们直接启用了它。

后处理/跟踪

后处理主要关注跟踪。我们没有使用现有的跟踪方法（效果不好），而是使用了一种更简单的方法，我称之为“关注区域”。它的运作方式如下：

1. 模型在第 N 帧预测了一些边界框 B。
2. 从 B 中选择具有高置信度（大于阈值 T）的框，这些框被标记为“关注区域”。
3. 在第 N + 1 帧，所有预测框（实际上不是所有，而是置信度阈值 > 0.01），如果它与“关注区域”的 IoU 大于 0.5，则将这些框的分数提升 S，然后进行置信度过滤。

T=0.15 和 S=0.1 是一个可靠的选择，该方法将 CV 和 LB 都提升了约 0.01。

集成

在 @sheep 发布了高分辨率技巧后，我们知道一个模型用不同分辨率推理会有巨大的差异。根据我们的实验，单模型用 2400 分辨率训练并用 4800 分辨率推理会获得最高的 LB 约 0.73，我们在这里需要小心，因为 CV 并不准确。